FIRM图像分析:一种机器学习工作流程,用于从电子显微镜图像中量化细胞外矩阵组件
Nicholas T Gigliotti1, Justin Lee2, Emily H Mang1
1Department of Materials Science and Engineering, Whiting School of Engineering, Johns Hopkins University, Baltimore, Maryland, United States of America.
PloS one
|February 6, 2025
概括
一个新的机器学习工作流程,FIRM,准确地识别了显微镜图像中的细胞外矩阵特征. 这种自动化方法比组织重塑研究的手动分析更快,更少的偏见.
科学领域:
- 生物材料科学 生物材料科学
- 细胞生物学 细胞生物学
- 生物物理学的生物物理.
背景情况:
- 细胞外基质 (ECM) 对组织结构和功能至关重要.
- 量化ECM变化对于理解组织重塑至关重要,但由于成像复杂性而具有挑战性.
- 现有的图像分析工具在电子显微镜中与边缘模糊性作斗争.
研究的目的:
- 开发一种基于机器学习的新工作流程,用于分析ECM的显微镜图像.
- 为了解决电子显微镜图像分析中特征边缘模糊性的挑战.
- 提高量化ECM特征的效率和准确性.
主要方法:
- 一个名为FIRM (从原始显微镜识别特征) 的机器学习工作流被开发出来.
- FIRM使用随机森林分类器来识别ECM特征.
- 用ImageJ-FIJI生成二进制细分面具进行量化.
主要成果:
- 在检测特征数量和大小方面,FIRM获得了0.794的F1得分和80%以上的准确性.
- 在纤维素数量,大小和分布方面,FIRM与基本真相的偏差与人类分析相当.
- FIRM的性能与手动分析相似,但需要的时间要短得多.
结论:
- FIRM为ECM图像分析提供了一种高效,公正和可自动化的解决方案.
- 工作流可以针对各种特征进行优化,使各种科学学科受益.
- 这种技术提高了量化关键组织重塑事件的准确性和速度.
